4. 数据可视化基础：使用Matplotlib和Seaborn绘制汇率走势图、移动平均线、波动率图

数据可视化，说白了就是让数字开口说话。我做了这么多年量化，最深的体会是：一张好图胜过千行回测结果。尤其是汇率数据，时间序列天生就适合用图形来理解趋势、波动和异常。

这一章，我们聚焦三个核心图表：汇率走势图、移动平均线、波动率图。我会用Matplotlib和Seaborn这两个Python库，带你从零开始画出专业级的金融图表。

4.1 准备工作：导入库与数据

先别急着画图，把工具备齐。我个人习惯用pandas读数据，matplotlib做基础绘图，seaborn美化样式。你想想看，如果每次都要手动调颜色、改字体，那得多累？Seaborn就是来解放你的。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 设置中文字体，防止乱码
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 读取汇率数据（假设已有CSV文件）
df = pd.read_csv('eur_usd.csv', parse_dates=['date'], index_col='date')
print(df.head())

嗯，这里要注意：parse_dates参数一定要加，否则日期会被当成字符串。我曾经因为这个坑，画出来的图横轴全是乱序的数字，排查了半天才发现是日期没解析。

4.2 绘制汇率走势图

走势图是最基础的，也是最重要的。它能让你一眼看出汇率的整体趋势——是涨是跌，有没有明显的顶部或底部。

plt.figure(figsize=(12, 6))
plt.plot(df.index, df['close'], color='#2E86AB', linewidth=1.5)
plt.title('EUR/USD 汇率走势图', fontsize=16, fontweight='bold')
plt.xlabel('日期')
plt.ylabel('汇率')
plt.grid(True, alpha=0.3)
plt.show()

画出来之后，你会发现汇率数据其实很“毛躁”。单看这根线，你很难判断长期趋势。这时候就需要移动平均线出场了。

4.3 叠加移动平均线

移动平均线（MA）是平滑价格波动的利器。说白了，就是把过去N天的收盘价取个平均值，画成一条更平滑的线。常用的有20日均线（短期）和60日均线（中期）。

我在项目中遇到过一个问题：直接用rolling()计算MA，前N-1天会变成NaN。如果你不处理，画出来的线开头会断掉。我的做法是：要么从第N天开始画，要么用min_periods参数。

# 计算移动平均线
df['MA20'] = df['close'].rolling(window=20).mean()
df['MA60'] = df['close'].rolling(window=60).mean()

# 绘制
plt.figure(figsize=(12, 6))
plt.plot(df.index, df['close'], label='收盘价', color='#2E86AB', alpha=0.6)
plt.plot(df.index, df['MA20'], label='20日均线', color='#E67E22', linewidth=2)
plt.plot(df.index, df['MA60'], label='60日均线', color='#C0392B', linewidth=2)
plt.title('EUR/USD 汇率与移动平均线', fontsize=16)
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

你想想看，当短期均线（MA20）上穿长期均线（MA60）时，俗称“金叉”，往往是买入信号。反之“死叉”则是卖出信号。当然，这只是基础，实战中还要结合其他指标。

4.4 绘制波动率图

波动率，说白了就是汇率“跳得有多厉害”。高波动率意味着风险大，但也可能带来高收益。量化里常用滚动标准差来衡量波动率。

我一般用20天的滚动标准差，因为一个月大概有20个交易日，这个窗口比较合理。

# 计算日收益率
df['return'] = df['close'].pct_change()

# 计算20天滚动波动率（标准差）
df['volatility'] = df['return'].rolling(window=20).std() * np.sqrt(252)  # 年化

# 绘制波动率图
plt.figure(figsize=(12, 6))
plt.fill_between(df.index, df['volatility'], color='#E74C3C', alpha=0.3)
plt.plot(df.index, df['volatility'], color='#C0392B', linewidth=1.5)
plt.title('EUR/USD 年化波动率（20日滚动）', fontsize=16)
plt.xlabel('日期')
plt.ylabel('年化波动率')
plt.grid(True, alpha=0.3)
plt.show()

这里有个细节：np.sqrt(252)是把日波动率年化。为什么是252？因为一年大约有252个交易日。如果你用日数据，就要乘这个系数。我曾经见过有人直接用日标准差当波动率，结果回测出来的风险指标全错了。

4.5 用Seaborn美化图表

Matplotlib画出来的图功能强大，但颜值嘛...嗯，你懂的。Seaborn可以一键美化，让图表看起来像金融杂志上的那种。

sns.set_style('whitegrid')
sns.set_palette('husl')

plt.figure(figsize=(12, 6))
sns.lineplot(data=df, x=df.index, y='close', label='收盘价')
sns.lineplot(data=df, x=df.index, y='MA20', label='20日均线')
sns.lineplot(data=df, x=df.index, y='MA60', label='60日均线')
plt.title('EUR/USD 汇率走势（Seaborn风格）', fontsize=16)
plt.legend()
plt.show()

你看，代码更简洁了，颜色也自动配好了。我个人习惯在正式报告里用Seaborn，在快速调试时用Matplotlib。

4.6 本章知识体系

下面这张图，帮你理清本章的核心逻辑：从原始数据到三种关键图表，每一步都有对应的技术和注意事项。

4.7 组合图表：一图看全貌

有时候，我们需要把走势、均线、波动率放在一张图里，方便对比。我常用的方式是：上面画价格和均线，下面画波动率，共享X轴。

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 8), sharex=True)

# 上子图：价格与均线
ax1.plot(df.index, df['close'], label='收盘价', color='#2E86AB', alpha=0.7)
ax1.plot(df.index, df['MA20'], label='MA20', color='#E67E22')
ax1.plot(df.index, df['MA60'], label='MA60', color='#C0392B')
ax1.set_title('EUR/USD 汇率与移动平均线', fontsize=14)
ax1.legend()
ax1.grid(True, alpha=0.3)

# 下子图：波动率
ax2.fill_between(df.index, df['volatility'], color='#E74C3C', alpha=0.3)
ax2.plot(df.index, df['volatility'], color='#C0392B', linewidth=1.5)
ax2.set_title('年化波动率（20日滚动）', fontsize=14)
ax2.set_xlabel('日期')
ax2.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

你看，这样一对比，就能发现：波动率飙升的时候，往往是汇率剧烈波动的时候。比如2020年3月疫情爆发，波动率瞬间冲高，汇率也出现了大幅跳空。

好了，这一章的内容就到这里。画图是量化分析的基本功，别嫌简单。你想想看，如果连走势都画不清楚，后面怎么建模型、怎么调参数？动手试试吧，把代码跑一遍，你会发现自己也能画出金融级别的图表。

---